[發(fā)明專利]認(rèn)知網(wǎng)絡(luò)中的基于降維和聚類的協(xié)作頻譜感知方法、裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010594289.X
• 申請(qǐng)日: 2020-06-24
• 公開（公告）號(hào): CN112003662B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設(shè)計(jì)）人: 崔翠梅;楊德智;楊倪子;殷昌永
• 申請(qǐng)（專利權(quán)）人: 常州工學(xué)院
• 主分類號(hào): H04B17/382
• 分類號(hào): H04B17/382;G06F18/23;G06F18/214
• 代理公司: 常州佰業(yè)騰飛專利代理事務(wù)所(普通合伙) 32231
• 代理人: 張勵(lì)

1.一種認(rèn)知網(wǎng)絡(luò)中的基于降維和聚類的協(xié)作頻譜感知方法，其特征在于，所述認(rèn)知網(wǎng)絡(luò)包括：一個(gè)授權(quán)用戶和至少一個(gè)認(rèn)知用戶，所述方法包括以下步驟：

步驟S1，所述認(rèn)知用戶檢測(cè)頻譜的能量并組成能量向量，根據(jù)所述能量向量獲取多維特征矩陣；

步驟S2，利用PCA算法將所述多維特征矩陣轉(zhuǎn)換為低維特征矩陣；

步驟S3，根據(jù)K-means++算法，并將所述低維特征矩陣作為分類器的輸入訓(xùn)練所述分類器，以對(duì)所述頻譜進(jìn)行感知；

其中，根據(jù)K-means++算法，并將所述低維特征矩陣作為分類器的輸入訓(xùn)練所述分類器，包括：

步驟301，從所述低維特征矩陣中隨機(jī)選擇一個(gè)樣本點(diǎn)作為第一個(gè)聚類中心；

步驟302，計(jì)算所述低維特征矩陣中剩余的樣本點(diǎn)與所述第一個(gè)聚類中心的歐式距離；

步驟303，根據(jù)所述距離選取第二個(gè)聚類中心，其中，所述樣本點(diǎn)與所述第一個(gè)聚類中心的歐式距離越大，所述樣本點(diǎn)被選中的概率越高；

步驟304，分別計(jì)算每個(gè)樣本點(diǎn)到所述第一個(gè)聚類中心和所述第二個(gè)聚類中心的歐式距離；

步驟305，根據(jù)所述歐式距離將每個(gè)所述樣本點(diǎn)分配到最近的類中心點(diǎn)；

步驟306，計(jì)算出每個(gè)簇的樣本均值；

步驟307，將所述樣本均值作為新的聚類中心點(diǎn)；

步驟308，重復(fù)步驟S304-S307，直到所述聚類中心不再變化。

2.根據(jù)權(quán)利要求1所述的認(rèn)知網(wǎng)絡(luò)中的基于降維和聚類的協(xié)作頻譜感知方法，其特征在于，認(rèn)知用戶檢測(cè)頻譜的能量并組成能量向量，包括：

步驟S101，所述認(rèn)知用戶感知選定信道的信號(hào)；

步驟S102，獲取通過噪聲功率譜密度歸一化的能級(jí)；

步驟S103，每個(gè)所述認(rèn)知用戶將所述能級(jí)傳輸給融合中心，所述融合中心將所述能級(jí)組成所述能量向量。

3.根據(jù)權(quán)利要求1所述的認(rèn)知網(wǎng)絡(luò)中的基于降維和聚類的協(xié)作頻譜感知方法?，其特征在于，利用PCA算法將所述多維特征矩陣轉(zhuǎn)換為低維特征矩陣，包括：

步驟S201，將所述多維特征矩陣零均值化，以獲取零均值化矩陣；

步驟S202，根據(jù)所述零均值化矩陣獲取所述多維特征矩陣的協(xié)方差矩陣；

步驟S203，計(jì)算所述協(xié)方差矩陣的特征值和對(duì)應(yīng)的特征向量；

步驟S204，將所述特征向量按對(duì)應(yīng)的特征值大小從上到下按行排成矩陣，取前預(yù)設(shè)行組成能量矩陣；

步驟S205，將所述多維特征矩陣投影到所述能量矩陣中，以獲取所述低維特征矩陣。

4.一種認(rèn)知網(wǎng)絡(luò)中的基于降維和聚類的協(xié)作頻譜感知裝置，其特征在于，所述認(rèn)知網(wǎng)絡(luò)包括：一個(gè)授權(quán)用戶和至少一個(gè)認(rèn)知用戶，所述裝置包括：

檢測(cè)模塊，所述檢測(cè)模塊用于將所述認(rèn)知用戶檢測(cè)的頻譜的能量組成能量向量，并根據(jù)所述能量向量獲取多維特征矩陣；

轉(zhuǎn)換模塊，所述轉(zhuǎn)換模塊用于利用PCA算法將所述多維特征矩陣轉(zhuǎn)換為低維特征矩陣；

感知模塊，所述感知模塊用于根據(jù)K-means++算法，并將所述低維特征矩陣作為分類器的輸入訓(xùn)練所述分類器，以對(duì)所述頻譜進(jìn)行感知；

其中，所述感知模塊進(jìn)一步用于：

從所述低維特征矩陣中隨機(jī)選擇一個(gè)樣本點(diǎn)作為第一個(gè)聚類中心；

計(jì)算所述低維特征矩陣中剩余的樣本點(diǎn)與所述第一個(gè)聚類中心的歐式距離；

根據(jù)所述距離選取第二個(gè)聚類中心，其中，所述樣本點(diǎn)與所述第一個(gè)聚類中心的歐式距離越大，所述樣本點(diǎn)被選中的概率越高；

分別計(jì)算每個(gè)樣本點(diǎn)到所述第一個(gè)聚類中心和所述第二個(gè)聚類中心的歐式距離；

根據(jù)所述歐式距離將每個(gè)所述樣本點(diǎn)分配到最近的類中心點(diǎn)；

計(jì)算出每個(gè)簇的樣本均值；

將所述樣本均值作為新的聚類中心點(diǎn)，直到所述聚類中心不再變化。

5.根據(jù)權(quán)利要求4所述的認(rèn)知網(wǎng)絡(luò)中的基于降維和聚類的協(xié)作頻譜感知裝置，其特征在于，所述檢測(cè)模塊進(jìn)一步用于：

獲取所述認(rèn)知用戶感知選定信道的信號(hào)；

獲取通過噪聲功率譜密度歸一化的能級(jí)；

將每個(gè)所述認(rèn)知用戶的所述能級(jí)傳輸給融合中心，所述融合中心將所述能級(jí)組成所述能量向量。